基于模糊聚類(lèi)的電力專(zhuān)家故障診斷信息融合方法

王 平，張 勤

(1.四川天一學(xué)院 信息工程系，四川 綿竹 618200 ；2.西華大學(xué) 電氣與電子信息學(xué)院， 成都 610039)

0 引 言

隨著傳感器技術(shù)、計(jì)算機(jī)技術(shù)的不斷發(fā)展完善,很多電力設(shè)備上都安裝了自動(dòng)化程度高、運(yùn)行速度快的數(shù)據(jù)采集、檢測(cè)系統(tǒng)[1]，這類(lèi)系統(tǒng)的使用大大地提高了測(cè)試、檢查的效率，對(duì)電力設(shè)備的安全運(yùn)行發(fā)揮了重要作用。目前電力系統(tǒng)的故障檢測(cè)和識(shí)別通常由專(zhuān)家完成，當(dāng)設(shè)備出現(xiàn)故障后，需現(xiàn)場(chǎng)的技術(shù)人員和專(zhuān)家，根據(jù)檢測(cè)報(bào)警信號(hào)、設(shè)備的故障現(xiàn)象和工作經(jīng)驗(yàn)來(lái)診斷分析故障原因，提出故障解決方法。近年來(lái)，隨著人工智能技術(shù)的發(fā)展，專(zhuān)家系統(tǒng)、模糊推理、人工神經(jīng)網(wǎng)絡(luò)、模擬退火、遺傳算法等方法被引入電力系統(tǒng)故障診斷過(guò)程，取得了大量的研究成果[2]。模糊聚類(lèi)用于電力故障的診斷，如基于模糊聚類(lèi)分析的燃?xì)廨啓C(jī)振動(dòng)故障診斷研究[3]、基于模糊綜合理論的電力變壓器故障診斷[4]、加權(quán)模糊核聚類(lèi)法用于電力變壓器故障診斷[5]、模糊神經(jīng)網(wǎng)絡(luò)用于電力系統(tǒng)電壓穩(wěn)定評(píng)估[6]等研究成果，推動(dòng)了模糊聚類(lèi)算法在電力故障診斷中的應(yīng)用。本文提出一種動(dòng)態(tài)模糊聚類(lèi)方法，以對(duì)多位專(zhuān)家的故障診斷推理進(jìn)行信息融合，盡快識(shí)別和排除故障。

與單一信息源檢測(cè)系統(tǒng)相比，多源融合所提供的信息具有相關(guān)性、互補(bǔ)性和冗余性，信息融合就是對(duì)上述三種信息特征的不同處理過(guò)程[7]。對(duì)來(lái)自多個(gè)專(zhuān)家診斷信息的融合可以降低故障系統(tǒng)識(shí)別的誤差和不確定性、提高故障檢測(cè)的概率和識(shí)別的準(zhǔn)確度、提高系統(tǒng)輸出結(jié)果的可信度，從而提高系統(tǒng)的性能。因此，結(jié)合故障現(xiàn)象和專(zhuān)家經(jīng)驗(yàn)，利用多源信息融合方法，實(shí)現(xiàn)故障實(shí)時(shí)在線檢測(cè)診斷與恢復(fù)是電力監(jiān)控設(shè)備的一個(gè)重要發(fā)展方向。本文提出基于模糊聚類(lèi)進(jìn)行電力故障的診斷，以實(shí)現(xiàn)電力故障的快速診斷和恢復(fù)。

1 專(zhuān)家故障診斷結(jié)果的動(dòng)態(tài)模糊聚類(lèi)融合方法

1.1 專(zhuān)家故障診斷結(jié)果的模糊化方法

基于專(zhuān)家診斷信息的電力設(shè)備故障檢測(cè)與診斷是一個(gè)故障從模糊到逐漸清晰并慢慢得到正確識(shí)別的過(guò)程，在這一過(guò)程中，需要不斷結(jié)合故障現(xiàn)象和不同專(zhuān)家的意見(jiàn)進(jìn)行多次融合識(shí)別。盡管每次識(shí)別參與的專(zhuān)家和結(jié)果可能不一致，但每次識(shí)別結(jié)果都能夠通過(guò)專(zhuān)家意見(jiàn)分析以概率形式表現(xiàn)出來(lái)。為了盡快確定故障、進(jìn)行故障恢復(fù)，需要判斷各次結(jié)果是否一致，以確定故障原因、決定應(yīng)對(duì)策略。為了解決這個(gè)問(wèn)題，可以通過(guò)模糊聚類(lèi)分析方法判斷專(zhuān)家集體對(duì)故障的識(shí)別結(jié)果。

由于故障融合識(shí)別的輸出結(jié)果可能為故障庫(kù)中的任何一個(gè)已知故障類(lèi)型，可以表示為故障現(xiàn)象隸屬于某一種類(lèi)型故障的概率，因此，對(duì)這些數(shù)據(jù)應(yīng)該使用連續(xù)型的隸屬函數(shù)來(lái)分析。由于每次故障識(shí)別的結(jié)果都是專(zhuān)家診斷意見(jiàn)的概率表達(dá)，因此，在專(zhuān)家來(lái)自于同一或相近領(lǐng)域的情況下，他們的結(jié)論應(yīng)該比較接近。由于故障識(shí)別是一個(gè)漸進(jìn)識(shí)別的過(guò)程，其識(shí)別結(jié)果與故障原因相符的概率呈不斷增長(zhǎng)的趨勢(shì)，于是，可以假設(shè)經(jīng)故障識(shí)別后的故障概率服從先小后大的S型曲線分布，即服從以下分布：

假如已知經(jīng)過(guò)n次專(zhuān)家故障診斷得到故障現(xiàn)象為第i類(lèi)的概率(即故障現(xiàn)象隸屬于某一已知類(lèi)型故障i的隸屬度)分別為xi1，xi2，…，xin。則需要對(duì)n次專(zhuān)家診斷結(jié)果進(jìn)行分析，以得出故障原因?yàn)槟骋活?lèi)型故障的概率。

由于在多次識(shí)別運(yùn)算的結(jié)果中，有可能出現(xiàn)較大的誤差值，因此，不能直接取這些概率的平均值作為輸出結(jié)果，否則可能由于存在偏差很大的數(shù)據(jù)而改變正確輸出值，導(dǎo)致故障識(shí)別錯(cuò)誤，因而不能在上述分布公式中取n個(gè)數(shù)據(jù)的平均值作為a，同樣也不能取n個(gè)數(shù)據(jù)的標(biāo)準(zhǔn)差作為b，即

為了利用多次專(zhuān)家診斷的結(jié)果產(chǎn)生一個(gè)正確的結(jié)果，求取的過(guò)程不僅要進(jìn)行取粗存精，而且要進(jìn)行數(shù)值的比較。雖然對(duì)于各次專(zhuān)家診斷產(chǎn)生的i×n個(gè)判斷，不能確切地知道哪些判斷最接近于故障的實(shí)際情況，但是可以利用動(dòng)態(tài)聚類(lèi)方法分析診斷結(jié)果集中于哪些故障原因，然后推斷和識(shí)別出故障。

由于多次專(zhuān)家診斷得出的意見(jiàn)，其變量單位和量級(jí)可能是不一樣的，直接用原始數(shù)據(jù)進(jìn)行計(jì)算會(huì)突出那些絕對(duì)值大的變量而壓低那些絕對(duì)值小的變量，所以，在進(jìn)行聚類(lèi)分析之前，需要將原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。為此采用下面的標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化方法：

(1)

其中：

分別為第k個(gè)變量的平均值和標(biāo)準(zhǔn)差。

(2)

對(duì)于a值，采用輪換方式，即分別對(duì)a取x1，x2，…，xn來(lái)進(jìn)行運(yùn)算，求取其他各值相對(duì)于a的隸屬度。將求得的隸屬度寫(xiě)為矩陣形式，即

這里主對(duì)角線的元素為1，表示元素隸屬于本身的隸屬度為1，即完全隸屬于自己。

1.2 故障識(shí)別的動(dòng)態(tài)模糊聚類(lèi)方法

為了利用聚類(lèi)方法找出專(zhuān)家診斷結(jié)果的一致意見(jiàn)，得出正確的聚類(lèi)輸出結(jié)果，利用下面的動(dòng)態(tài)聚類(lèi)方法來(lái)對(duì)這些隸屬度進(jìn)行分析，求取專(zhuān)家故障識(shí)別結(jié)果的聚類(lèi)過(guò)程如下：

1) 利用隸屬度矩陣A使用傳遞閉包方法求出其等價(jià)模糊隸屬度矩陣：

t(A)=A2k

2) 設(shè)定最小λ值，對(duì)于大于此值的模糊隸屬度，根據(jù)等價(jià)模糊隸屬度矩陣中的元素值的大小排列，依次將其設(shè)為λ，利用動(dòng)態(tài)聚類(lèi)方法進(jìn)行聚類(lèi)。

3) 若聚類(lèi)數(shù)據(jù)中某一聚類(lèi)中心集聚數(shù)據(jù)個(gè)數(shù)達(dá)到1/2以上，則停止聚類(lèi)；以此聚類(lèi)中心集聚數(shù)據(jù)的平均值作為對(duì)象為某一目標(biāo)i的概率Pi，以供決策參考。

4) 若沒(méi)有一個(gè)聚類(lèi)中心集聚數(shù)據(jù)個(gè)數(shù)達(dá)到1/2以上，說(shuō)明這些識(shí)別結(jié)果不一致，需要進(jìn)行更多次專(zhuān)家診斷信息采集和識(shí)別，才能確定是某一類(lèi)型故障及故障的概率。

若識(shí)別對(duì)象是多個(gè)故障類(lèi)型i=1，2，…，n中的某一類(lèi)，則重復(fù)上述步驟分別求取P1，P2，…，Pn，取最大值Pi，認(rèn)定該故障源為故障i。

2 變壓器故障專(zhuān)家診斷的模糊聚類(lèi)信息融合

以某變壓器故障診斷過(guò)程為例說(shuō)明應(yīng)用該方法的聚類(lèi)過(guò)程。假設(shè)變壓器發(fā)生了過(guò)熱故障，針對(duì)故障現(xiàn)象，組織不同的工程師和維修技師進(jìn)行分組討論，并識(shí)別故障源和故障類(lèi)型，經(jīng)過(guò)6次專(zhuān)家分組討論，一致認(rèn)為故障可能由下列3個(gè)原因產(chǎn)生：鐵心片間短路(故障A)；分接開(kāi)關(guān)接觸不良(故障B)；部分繞組短路(故障C)。各專(zhuān)家小組討論識(shí)別結(jié)果如表1所示。

表1 專(zhuān)家小組多次故障診斷的結(jié)果

如果采用加和歸一化方法，則A、B、C 3個(gè)故障的概率加和分別為

P1=0.60+0.85+0.92+0.67+0.72+0.73=4.49

P2=0.72+0.85+0.86+0.89+0.86+0.85=5.03

P3=0.50+0.91+0.73+0.62+0.45+0.85=4.06

歸一化后，得出

P1′=0.33，P2′=0.37，P3′=0.30

可以推出故障B的可能性比故障A和 C更大一些，但不是很明顯。

根據(jù)上述聚類(lèi)過(guò)程，對(duì)這些數(shù)據(jù)使用標(biāo)準(zhǔn)差方法進(jìn)行標(biāo)準(zhǔn)化。首先選取故障A的融合識(shí)別結(jié)果進(jìn)行分析。

其中：

求得x11=-1.38，x2=0.95，x3=1.60，x4=-0.73，x5=-0.26，x6=-0.17。利用式(2)使用a值輪換方法求各值之間的模糊隸屬度,將這些數(shù)據(jù)之間的模糊隸屬度寫(xiě)成矩陣形式，得

矩陣外的行和列為對(duì)應(yīng)行和列的值，矩陣中的每一個(gè)元素代表對(duì)應(yīng)行值和列值之間的模糊隸屬度，求此矩陣的等價(jià)模糊隸屬度矩陣，得

當(dāng)λ=1時(shí)，可將U分為6類(lèi)：{x1}，{x2}，{x3}，{x4}，{x5}，{x6}。

當(dāng)λ=0.996時(shí),可將U分為5類(lèi)：{x1}，{x2}，{x3}，{x4}，{x5，x6}。

當(dāng)λ=0.90時(shí)：

可將U分為4類(lèi)：{x1}，{x2}，{x3}，{x4，x5，x6}。

當(dāng)λ=0.81時(shí)：

可將U分為2類(lèi)：{x1，x4，x5，x6}，{x2，x3}。

當(dāng)λ=0.54時(shí)，所有數(shù)據(jù)歸為一類(lèi)。

對(duì)各專(zhuān)家小組的故障識(shí)別結(jié)論進(jìn)行聚類(lèi)分析的結(jié)果認(rèn)為故障原因是故障A(鐵心片間短路)的概率P1為0.68。

同樣經(jīng)上述分析步驟，可得故障原因是故障B(分接開(kāi)關(guān)接觸不良)的概率P2為0.86；是故障C(部分繞組短路)的概率P3為0.58。歸一化后得P1′=0.32，P2′=0.41，P3′=0.27。由于P2′>P1′>P3′，經(jīng)過(guò)上述模糊聚類(lèi)故障識(shí)別過(guò)程后，認(rèn)為專(zhuān)家的綜合意見(jiàn)是故障B(分接開(kāi)關(guān)接觸不良)的可能性更大，所提方法相比于簡(jiǎn)單加和歸一化方法，明顯突出了故障B的概率，P2′從0.37增加到0.41，P1′和P3′降低，減少了故障診斷的不確定性。

3 結(jié) 語(yǔ)

所提方法首先對(duì)專(zhuān)家故障診斷的結(jié)果進(jìn)行模糊化處理，得出專(zhuān)家識(shí)別為某一故障的概率，再對(duì)專(zhuān)家診斷的原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，求取標(biāo)準(zhǔn)化后的各值之間的隸屬度，最后利用動(dòng)態(tài)調(diào)整λ截集的聚類(lèi)方法進(jìn)行聚類(lèi)，得出每一可能故障源的故障概率，根據(jù)多數(shù)一致性原則做出故障診斷結(jié)論。應(yīng)用動(dòng)態(tài)模糊聚類(lèi)分析法可以解決在故障識(shí)別過(guò)程中專(zhuān)家意見(jiàn)多樣化的問(wèn)題，根據(jù)聚類(lèi)分析結(jié)果能夠得出大多數(shù)專(zhuān)家的一致性意見(jiàn)，有利于實(shí)現(xiàn)正確的故障診斷，盡快完成故障的恢復(fù)。